Мониторинг посевов гороха с нейросетевой обработкой изображений полученных с использованием БПЛА
https://doi.org/10.32634/0869-8155-2025-397-08-122-128
Аннотация
Статья посвящена разработке и апробации технологии распознавания ростков гороха и оценки его биомассы на основе снимков с БПЛА с использованием нейронных сетей. Производили посев гороха сорта Рокет посевным комплексом «Кузбасс» в Топкинском районе Кемеровской области на площади 21,55 га. Тип почвы — слабовыщелоченный чернозем. Предшественник — яровая пшеница. Глубина заделки семян 6 см, норма высева 1,1 млн семян на 1 га. Аэрофотосъемку выполняли через три недели квадрокоптером с разрешением фотокамеры 20МП с высоты полета 3 м. Съемки выполняли в два этапа — ранним утром в условиях облачности для получения изображений ростков гороха без теней и в дневное время с тенями от ростков и сорной растительности. В результате для обучения нейросети были сформированы два комплекта исходных фотографий по 120 шт. На основе полученных датасетов проводили обучение модели нейросети Ultralytics YOLOv8. Тестирование полученных моделей выполняли в программе на языке Python для пакетной обработки изображений и подсчета количества растений на каждом снимке. Точность распознавания ростков по первому датасету составила 97,3%, по второму — 67,3%. Это обусловлено различными условиями съемки. Объединение двух датасетов позволило получить точность распознавания 94,7%. Это несколько ниже первого варианта, но значительно ближе к реальным условиям аэрофотосъемки. Результатом работы является программа, позволяющая производить пакетную обработку изображений для автоматического подсчета ростков гороха и расчета их площади на снимках.
Об авторах
Д. Е. Фёдоров
Кузбасский государственный аграрный университет, им. В.Н. Полецкова
Россия
Россия
Дмитрий Евгеньевич Фёдоров, кандидат технических наук
ул. им. Марковцева, 5, Кемерово, 650056
С. Н. Быков
Кузбасский государственный аграрный университет, им. В.Н. Полецкова
Россия
Россия
Сергей Николаевич Быков, кандидат технических наук
ул. им. Марковцева, 5, Кемерово, 650056
Список литературы
1. Рогачев А.Ф., Мелихова Е.В., Белоусов И.С. Исследование развития и продуктивности сельскохозяйственных культур с применением беспилотных летательных аппаратов. Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2019; (4): 329–339. https://www.elibrary.ru/vqaviv
2. Чешкова А.Ф. Обзор современных методов обнаружения и идентификации болезней растений на основе анализа гиперспектральных изображений. Вавиловский журнал генетики и селекции. 2022; 26(2): 202–213 (на англ. яз.). https://doi.org/10.18699/VJGB-22-25
3. Рогачев А.Ф., Белоусов И.С. Нейросетевое выявление проблемных участков состояния посевов методами искусственного интеллекта. Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2022; (3): 459–466. https://www.elibrary.ru/bjmzny
4. Мударисов С.Г., Мифтахов И.Р. Автоматическое обнаружение и идентификация болезней пшеницы с использованием методов глубокого обучения и применением дронов в режиме реального времени. Вестник Казанского государственного аграрного университета. 2024; 19(2): 90–104. https://doi.org/10.12737/2073-0462-2024-90-104
5. Кутырёв А.И., Филиппов Р.А. Распознавание генеративных частей земляники садовой с использованием сверточной нейронной сети (CNN). Таврический вестник аграрной науки. 2023; (2): 72–86. https://doi.org/10.5281/zenodo.8271986
6. Демидчик В.В. и др. Феномика растений: фундаментальные основы, программно-аппаратные платформы и методы машинного обучения. Физиология растений. 2020; 67(3): 227–245. https://doi.org/10.31857/S0015330320030069
7. Молин А.Е., Блеканов И.С., Митрофанов Е.П., Митрофанова О.А. Методы генерации синтетических данных для обучения нейросетей в задаче сегментации уровня азотного режима растений на снимках беспилотных летательных аппаратов на сельскохозяйственном поле. Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2024; 20(1): 20–33. https://doi.org/10.21638/11701/spbu10.2024.103
8. Семенюк В.С., Никитин Е.А. Разработка системы точечного внесения жидких средств химизации на основе моделей сверточной нейронной сети. Сельскохозяйственные машины и технологии. 2021; 15(2): 41–45. https://doi.org/10.22314/2073-7599-2021-15-1-41-45
9. Cini E., Marzialetti F., Paterni M., Berton A., Acosta A.T.R., Ciccarelli D. Integrating UAV imagery and machine learning via Geographic Object Based Image Analysis (GEOBIA) for enhanced monitoring of Yucca gloriosa in Mediterranean coastal dunes. Ocean & Coastal Management. 2024; 258: 107377. https://doi.org/10.1016/j.ocecoaman.2024.107377
10. Marzialetti F., Frate L., De Simone W., Frattaroli A.R., Acosta A.T.R., Carranza M.L. Unmanned Aerial Vehicle (UAV)-Based Mapping of Acacia saligna Invasion in the Mediterranean Coast. Remote Sensing. 2021; 13(17): 3361. https://doi.org/10.3390/rs13173361
11. Costa L.S. et al. Woody Plant Encroachment in a Seasonal Tropical Savanna: Lessons about Classifiers and Accuracy from UAV Images. Remote Sensing. 2023; 15(9): 2342. https://doi.org/10.3390/rs15092342
12. Prasad A., Mehta N., Horak M., Bae W.D. A Two-Step Machine Learning Approach for Crop Disease Detection Using GAN and UAV Technology. Remote Sensing. 2022; 14(19): 4765. https://doi.org/10.3390/rs14194765
13. Zhang J. et al. Multispectral Drone Imagery and SRGAN for Rapid Phenotypic Mapping of Individual Chinese Cabbage Plants. Plant Phenomics. 2022; 2022: 0007. https://doi.org/10.34133/plantphenomics.0007
14. Парасич А.В., Парасич В.А., Парасич И.В. Формирование обучающей выборки в задачах машинного обучения. Обзор. Информационно-управляющие системы. 2021; (4): 61–70. https://doi.org/10.31799/1684-8853-2021-4-61-70
15. Брагинский М.Я., Тараканов Д.В. Фенотипирование растений адаптивной системой обработки изображений на базе сверточ- ных нейронных сетей. Вестник кибернетики. 2021; (2): 6–16. https://doi.org/10.34822/1999-7604-2021-2-6-16
16. Рогачев А.Ф., Мелихова Е.В. Мультиклассовое распознавание аэрофотоснимков участков сельскохозяйственных полей. Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2020; (3): 142–152. https://doi.org/10.32786/2071-9485-2020-03-14
Рецензия
Для цитирования:
Фёдоров Д.Е., Быков С.Н. Мониторинг посевов гороха с нейросетевой обработкой изображений полученных с использованием БПЛА. Аграрная наука. 2025;(8):122-128. https://doi.org/10.32634/0869-8155-2025-397-08-122-128
For citation:
Fedorov D.E., Bykov S.N. Monitoring of pea crops with neural network processing of images obtained using UAVs. Agrarian science. 2025;(8):122-128. (In Russ.) https://doi.org/10.32634/0869-8155-2025-397-08-122-128
Просмотров:
5
Послать статью по эл. почте 